論文の概要: Shaping Wind-Tunnel Airflow for Unmanned Aerial Vehicles using Online Learning

• arxiv url: http://arxiv.org/abs/2608.03378v1
• Date: Tue, 04 Aug 2026 09:24:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.111592
• Title: Shaping Wind-Tunnel Airflow for Unmanned Aerial Vehicles using Online Learning
• Title（参考訳）: オンライン学習による無人航空機の風洞内気流の形成
• Authors: Ghadeer Elmkaiel, Michael Muehlebach,
• Abstract要約: 本稿では,多ファン垂直風洞における複雑な気流場を制御するためのオンライン学習アルゴリズムを提案する。 本研究では, 受動舞踏ロボットの飛行性能を大幅に向上させるため, 受動舞踏を特化して気流プロファイルを作成することができることを示す。
• 参考スコア（独自算出の注目度）: 7.276372008305617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The development and testing of advanced aerial robots require experiments in controlled environments with tailored airflow profiles. This paper presents an online learning algorithm for controlling the complex airflow field in a multi-fan vertical wind tunnel. Our method combines a simplified physical model with iterative, measurement-based learning, enabling sample-efficient convergence to desired airflow distributions. We demonstrate the method's versatility by generating complex airflow, such as uniform, Gaussian, and parabolic profiles. Crucially, we show that our algorithm can produce an airflow profile specifically designed for passive soaring, greatly enhancing flight performance of a soaring robot. Variability, practical utility, and robustness of our approach are further highlighted by successful operation with a varying number of fans.
• Abstract（参考訳）: 高度飛行ロボットの開発と試験には、調整された気流プロファイルを持つ制御された環境での実験が必要である。 本稿では,多ファン垂直風洞における複雑な気流場を制御するためのオンライン学習アルゴリズムを提案する。 本手法は, 簡易な物理モデルと反復的, 測定に基づく学習を組み合わせることで, 所望の気流分布へのサンプル効率収束を可能にする。 本研究では, 均一, ガウス, パラボリックプロファイルなどの複雑な気流を発生させることにより, 手法の汎用性を実証する。 重要なこととして,我々のアルゴリズムは受動舞踏ロボットの飛行性能を大幅に向上させるため,受動舞踏を特化して気流プロファイルを生成することができることを示す。 変動性、実用性、そして我々のアプローチの堅牢性は、様々な数のファンで成功した運用によってさらに強調される。

関連論文リスト

• AirfoilGen: A valid-by-construction and performance-aware latent diffusion model for airfoil generation [8.279010083719369]
  翼形状設計は航空宇宙工学の基本的な課題であり、飛行安定性と燃料消費に直接影響を及ぼす。 既存の深い生成的アプローチは、幾何的妥当性と物理的可制御性の両方に制限されている。 本稿では,エアフォイルの有効構成と性能を考慮した潜時拡散モデルであるAirfoilGenを提案する。
  論文  参考訳（メタデータ） (2026-05-19T13:26:16Z)
• AI-Enhanced Automatic Design of Efficient Underwater Gliders [60.45821679800442]
  自動設計フレームワークの構築は、グライダー形状を表現する複雑さと、複雑な固体-流体相互作用をモデル化する際の計算コストが高いため、困難である。 非自明な船体形状の水中ロボットを作れるようにすることで、これらの制限を克服するAI強化型自動計算フレームワークを導入する。 提案手法は, 形状と制御信号の両面を協調的に最適化するアルゴリズムで, 低次幾何表現と微分可能なニューラルネット型流体代理モデルを用いる。
  論文  参考訳（メタデータ） (2025-04-30T23:55:44Z)
• FlowTurbo: Towards Real-time Flow-Based Image Generation with Velocity Refiner [70.90505084288057]
  フローベースモデルはサンプリングプロセス中により直線的なサンプリング軌道を生成する傾向にある。 擬似修正器やサンプル認識コンパイルなどいくつかの手法を導入し,推論時間をさらに短縮する。 FlowTurboはImageNet上で100(ms/img)で2.12FID、38(ms/img)で3.93FIDに達する
  論文  参考訳（メタデータ） (2024-09-26T17:59:51Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Inferring Traffic Models in Terminal Airspace from Flight Tracks and Procedures [39.89295870460643]
  本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な簡易確率モデルを提案する。 我々は、ガウス混合モデルから一連の偏差をサンプリングし、航空機の軌道を再構築することで合成軌道を生成する。 本研究は、ジョン・F・ケネディ国際空港の着地軌道と着地手順に関するモデルについて紹介する。
  論文  参考訳（メタデータ） (2023-03-17T13:58:06Z)
• Optimizing Airborne Wind Energy with Reinforcement Learning [0.0]
  強化学習(Reinforcement Learning)は、システムの事前の知識を必要とせずに、観察と利益ある行動とを関連付ける技術である。 シミュレーション環境において、強化学習は、遠距離で車両を牽引できるように、カイトを効率的に制御する方法を見出した。
  論文  参考訳（メタデータ） (2022-03-27T10:28:16Z)
• Designing Air Flow with Surrogate-assisted Phenotypic Niching [117.44028458220427]
  品質多様性アルゴリズムであるサロゲート支援表現型ニッチを導入する。 計算に高価な表現型特徴を用いることで、大規模で多様な行動群を発見することができる。 本研究では,2次元流体力学最適化問題における気流の種類を明らかにする。
  論文  参考訳（メタデータ） (2021-05-10T10:45:28Z)
• Airfoil GAN: Encoding and Synthesizing Airfoils for Aerodynamic Shape Optimization [9.432375767178284]
  本稿では,既存の翼から表現を自動的に学習し,学習した表現を用いて新しい翼を生成する,データ駆動型形状符号化・生成手法を提案する。 我々のモデルは、変分オートエンコーダとジェネレーティブ・アドバーサリアル・ネットワークを組み合わせたニューラルネットワークであるVAEGANに基づいて構築されており、勾配に基づく手法で訓練されている。
  論文  参考訳（メタデータ） (2021-01-12T21:25:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。